Improving the Efficacy of Common Cancer Treatments via Targeted Therapeutics towards the Tumour and Its Microenvironment
Notice bibliographique
Résumé
Cancer is defined as the uncontrolled proliferation of heterogeneous cell cultures in the body that develop abnormalities and mutations, leading to their resistance to many forms of treatment. Left untreated, these abnormal cell growths can lead to detrimental and even fatal complications for patients. Radiation therapy is involved in around 50% of cancer treatment workflows; however, it presents significant recurrence rates and normal tissue toxicity, given the inevitable deposition of the dose to the surrounding healthy tissue. Chemotherapy is another treatment modality with excessive normal tissue toxicity that significantly affects patients' quality of life. To improve the therapeutic efficacy of radiotherapy and chemotherapy, multiple conjunctive modalities have been proposed, which include the targeting of components of the tumour microenvironment inhibiting tumour spread and anti-therapeutic pathways, increasing the oxygen content within the tumour to revert the hypoxic nature of the malignancy, improving the local dose deposition with metal nanoparticles, and the restriction of the cell cycle within radiosensitive phases. The tumour microenvironment is largely responsible for inhibiting nanoparticle capture within the tumour itself and improving resistance to various forms of cancer therapy. In this review, we discuss the current literature surrounding the administration of molecular and nanoparticle therapeutics, their pharmacokinetics, and contrasting mechanisms of action. The review aims to demonstrate the advancements in the field of conjugated nanomaterials and radiotherapeutics targeting, inhibiting, or bypassing the tumour microenvironment to promote further research that can improve treatment outcomes and toxicity rates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».